class: title-slide, middle, center background-image: url(img/LOGO-UM-COLOR-H.png) background-position: top right background-size: 20% <br> .line_space_09[ ## Ambulatory or residential? ### .text_80[a multistate analysis of treatments readmission among people recovering from substance use disorders] ] <br> .line_space_11[ <br> .text_70[[Código disponible en:
](https://github.com/FONDECYTACC/SUD_health_Chile.github.io)] .text_110[Seminario de presentación de resultados proyecto FONDECYT Regular N°1191282] ] .bg-text[ <hr /> 25 de marzo, 2022 .text_100[Andrés González Santa Cruz, MA] .text_70[andres.gonzalez@umayor.cl] [
](https://github.com/AGSCL) [
](https://orcid.org/0000-0002-5166-9121) ] <br> <img src="data:image/png;base64,#./img/blank_space.png" width="15%" /> ??? ******************NOTA****************************** - Mi nombre es andrés gonzález. Soy asistente de investigación del proyecto que lidera Alvaro Castillo - En esta instancia haré un resumen del artículo "Ambulatorio o residencial.Un análisis multiestado de la readmisión a tratamientos enpersonas recuperándose de trastornos por uso de sustancias" --- layout: true class: animated, fadeIn --- ## Antecedentes (1) <!---- https://www.rdocumentation.org/packages/RefManageR/versions/1.3.0/topics/Cite ----> + Trastornos por uso de sustancias (TUS): una de las principales causas de mortalidad y morbilidad en el mundo, se asocian a múltiples problemas de salud y vulnerabilidad social. `\(^{[1; 2; 3; 4]}\)` + Tratamientos: - muchos tipos y modalidades -- + **¿Residencial o ambulatorio?** Algunos autores... - Residenciales < resultados negativos <sup>a,b,c, d & e</sup>. - No existen diferencias significativas <sup>f,g & h</sup> - Debate sin sentido (ej. enfoques distintos, otras variables explican mejor diferencias) <sup>i & j</sup> -- + Hasta ahora, los estudios... - Una sustancia o un grupo de ellas (ej. opioides) - Enfoques terapéuticos específicos (ej. cognitivo-conductual) - Subpoblaciones (ej. veteranos) - Tiempo acotado de seguimiento (ej. 6 meses a un año) <br> .line_space_05[ .text_60[ .footnote[ [a] Budde D, Rounsaville B, Bryant K. (1992). Inpatient and outpatient cocaine abusers: clinical comparisons at intake and one-year follow-up. J Subst Abuse Treat., 9(4), 337-42. doi: 10.1016/0740-5472(92)90028-m. PMID: 1336069.<br> [b] Rychtarik RG, McGillicuddy NB, Papandonatos GD, Whitney RB, Connors GJ. (2017). Randomized clinical trial of matching client alcohol use disorder severity and level of cognitive functioning to treatment setting: A partial replication and extension. Psychology of Addictive Behaviors : Journal of the Society of Psychologists in Addictive Behaviors,31(5),513-523. DOI: 10.1037/adb0000253.<br> [c] Hubbard, R. L., Craddock, S. G., & Anderson, J. (2003). Overview of 5-year followup outcomes in the drug abuse treatment outcome studies (DATOS). Journal of substance abuse treatment, 25(3), 125–134. https://doi.org/10.1016/s0740-5472(03)00130-2<br> [d] Canadian Agency for Drugs & Technologies in Health [CADTH] (2017, Nov.). Inpatient and outpatient treatment programs for substance use disorder: a review of clinical effectiveness and guidelines. Ottawa: CADTH rapid response report: summary with critical appraisal. <br> [e] Stahler GJ, Mennis J, DuCette JP (2016). Residential and outpatient treatment completion for substance use disorders in the U.S.: Moderation analysis by demographics and drug of choice. Addictive Behaviors,58, 129-135. doi: 10.1016/j.addbeh.2016.02.030.<br> [f] McCarty D, Braude L, Lyman DR, Dougherty RH, Daniels AS, Ghose SS, Delphin-Rittmon ME (2014). Substance abuse intensive outpatient programs: assessing the evidence. Psychiatric Services, 65(6), 718-726.<br> [g] Finney JW, Hahn AC & Moos RH (1996). The effectiveness of inpatient and outpatient treatment for alcohol abuse: the need to focus on mediators and moderators of setting effects. Addiction, 91, 1773-1796. doi: 10.1046/j.1360-0443.1996.911217733.x<br> [h] Proctor SL, Herschman PL (2014). "The Continuing Care Model of Substance Use Treatment: What Works, and When Is “Enough,” “Enough?”", Psychiatry Journal, 692423, 16. doi: 10.1155/2014/692423<br> [i] Eastwood B, Peacock A, Millar T, Jones A, Knight J, Horgan P, Lowden T, Willey P, Marsden J (2018). Effectiveness of inpatient withdrawal and residential rehabilitation interventions for alcohol use disorder: A national observational, cohort study in England. J Subst Abuse Treat. 88, 1-8. doi: 10.1016/j.jsat.2018.02.001. PMID: 29606222.<br> [j] McPherson C, & Boyne H, Waseem R (2017). Understanding the Factors that Impact Relapse Post-residential Addiction Treatment, a Six Month Follow-up from a Canadian Treatment Centre. Journal of Alcoholism & Drug Dependence. 05. 10.4172/2329-6488.1000268. ] ] ] ??? ******************NOTA****************************** - Los Trastornos por uso de sustancias (TUS) son una de las principales causas de mortalidad y morbilidad en el mundo, se asocian a múltiples problemas de salud y vulnerabilidad social. - Para responder a ellos, los tratamientos cuscan reducir el uso problemático, disminuir síntomas, mejorar el estatus de salud y funcional y modificar el contexto en el que el consumo/abuso ocurre (CDC) - Hay de muchos tipos y modalidades. Nosotros nos centramos y agrupamos en residenciales y ambulatorios. - residenciales apuntan a perosnas vulnerables con + dependencia etc., se espera duración 12m y 7 días/semana - ambulatorio: perfil de pacientes menos vulnerables (ej estudiando o trabajando), se espera 6-8m y atención 2-5 días/semana (convenio) - ¿Qué preferir? - Algunos autores dicen que los pacientes que asisten a residenciales tienen menores efectos negativos a futuro - Otros dicen que no hay diferencias significativas entre uno y otro - Un último grupo señala que es un debate sin sentido, añejo, porque persiguen perfiles distintos y hay otras variables que explican mejor las diferencias entre uno y otro - Hasta ahora, los estudios se han centrado en... --- ## Antecedentes (2) + La asignación de pacientes a distintas modalidades de tratamiento es **endógena** a sus características `\(^{[5; 6; 7]}\)` - Residenciales, casi x2 más caros - Decisión de asignación: prácticas de centros y disponibilidad + Perspectiva de una **enfermedad crónica**, con trayectorias y dinámicas en el tiempo `\(^{[8; 9]}\)` + ¿**Cómo evaluar** la efectividad o eficacia de un tratamiento en base a sus resultados? - Completar el tratamiento (vs. abandonar, alta administrativa) - Readmisión: Recaída ??? ******************NOTA1****************************** - **Una de las razones por las que este debate se ha dejado de lado radica en las importantes diferencias basales entre pacientes de tratamientos ambulatorios y residenciales, pero también en preferencias por distintas modalidades.** - Los residenciales, 2x más caros que los tratamientos ambulatorios-intensivos - La decisión de asignación a tratamiento a menudo depende del criterio práctico de los centros y su idea de usuarios para cada tratamiento y la disponibilidad, - La decisión de tratar es limitada: en chile al 2018, 1/10 usuarios problemáticos fueron tratados en un (13avo estudio nacional de uso de drogas en la población general de 2018) - **No se considerar tanto la efectividad/eficacia empírica** - ADicionalmente, existe poca evidencia sobre la manera en que las modalidades de tratamiento, los resultados de tratamiento y subsecuentes tratamientos se despliegan a lo largo del tiempo. De ahí que **falta una perspectiva de enfermedad crónica** - **Cómo evaluar la efectividad o eficacia de un tratamiento?**: - Una forma es el Compeltar tratamiento vs. abandonar Alta administrativa por infringir la normativa. - Otra es la Readmisión: Medida indirecta de recaida, o punto en que el paciente pierde o teme perder el control de su comportamiento, o ausencia de redes de apoyo, etc. - Ambas medidas han sido reconocidas como protectoras de otros resultados asociados a uso de sustancias, como criminalidad, funcionamiento social y estado de salud general, entre otros. -- ### En Chile + SENDA, más cobertura tratamientos por TUS - Define estándares - Compra - Supervisa `\(^{[10]}\)` + ~15,000 adultos/año y monitorea trat. públicos (~73%) `\(^{[11; 12]}\)` + 2009, SISTRAT ??? ******************NOTA2****************************** - SENDA es la institución que cubre mayor parte de la demanda por tratamientos y de aquellos que tienen seguro de salud público. Define estándares de tratamiento, los compra y supervisa el cumplimiento de estándares. - atiende a alrededor de 15,000 adultos al año - monitorea la mayoría de los trat. públicos - El 2009 se implementa SISTRAT: Sistema de Información y Gestión de Tratamiento. Plataforma centralizada que reune caracteristicas de perfil de consumo, del centro, del tratamiento (al ingreso y egreso), estado de salud y fx del paciente **(... si preguntas)** Plataforma que apunta a unificar, centralizar y estandarizar los registros. Contiene información individualizada de las características socioedemográficas de los pacientes, sobre tratamiento (ej. fecha de ingreso y egreso, tipo de plan, información sobre resultado del tratmaiento, información sobre el estado de salud del paciente) --- class: center, middle ## Objetivo Estimar los efectos de la modalidad de tratamiento por trastornos por uso de sustancias (ambulatorios vs. residenciales) en subsiguientes readmisiones a TUS --- ## Métodos .pull-left[**Población y muestra** + Diseño de cohorte retrospectiva (n=109,379; usuarios=84,755) 2010-2019 + Muestra comparable: .text_70[ - Estatus marital - Estatus ocupacional - Nivel de estudios - Sustancia de inicio - Frecuencia de uso de la sustancia principal al ingreso - Origen/Motivo de ingreso a tratamiento - Sexo - Edad al ingreso - Edad de inicio de consumo de sustancias - Región en la que fue atendido - Tipo de centro - Fecha de ingreso - Comorbilidad psiquiátrica - Diagnóstico secundario de dependencia de sustancias]] ??? ******************NOTA1****************************** - Usando datos adminsitrativos de tratamientos (alrededor de 109 mil registros) de alrededor de 85 mil pacientes adultos, cursando tratamientos desde el 2010 al 2019 - Generamos una muestra comparable de pacientes en tratamientos residenciales y ambulatorios en base a las 14 variables listadas, de manera que lo único que diferencie a un grupo de otro sea el haber cursado un tratamiento residencial o ambulatorio -- .pull-right[ **Variables** + Exposición: Modalidad de tratamiento a la base + Resultado: - Readmisiones + Control: completar tratamiento **Plan de análisis** + Imputación de datos perdidos (~0 a 8~%) `\(^{[13; 14]}\)`. + Generación de muestra comparable, *pareamiento* 1 a 1 (*Cardinallity matching*) `\(^{[15; 16; 17]}\)`. + **Análisis principal:** Modelo multiestado, semi-Markov, selección de modelos (AIC), probabilidades de transición y tiempos de estadía `\(^{[18; 16; 17; 19; 20; 21]}\)`. + **Análisis secundario:** Modelo multiestado flexible y Versión extendida del modelo Cox `\(^{[22; 23; 24]}\)`. ] ??? ******************NOTA3****************************** - **Exposición**: Modalidad a la base - Variables de resultado: Readmisión (experimentar una readmisión en el período posterior al primer tratamiento), - controlando por Completar o no tratamientos **Plan de análisis** - Se imputaron algunas variables con casos perdidos. - Se generó una muestra comparable y balanceada en base a las 14 características/ variables mencionadas, buscando minimizar las diferencias promedio estandarizadas (SMD) entre ambulatorios y residenciales - **Principal** Se generó un modelo multiestado en base a la combinación de los 4 modelos de supervivencia paramétricos para cada transición: de admisión a readmisión, de primera a segunda readmisión, etc., y en la que los tiempos transcurridos en cada estado y previos desde la readmisión influyen en la probabilidad de que ese evento se produzca (semi-markov) - Seleccionamos la distribución de supervivencia de c/ transición con mayor parsimonia (en base al menor criterio de información Akaike AIC) - Simulando 100,000 pacientes en base a los parámetros de cada modelo de supervivencia, se estimaron las probabilidades de transitar a un siguiente estado a los 3 meses, 1, 3 y 5 años. Los intervalos de confianza se calcularon en base a 1,000 remuestreos, - **Secundario/Sensibilidad** Se presentará uno de los 4. **(y si pregunta..)** - Modelo multiestado flexible en base a splines cúbicos restringidos para cada transición - Versión extendida del modelo Cox que permite coeficientes variables en el tiempo, estratificados por readmisiones y varianza robusta a predispisición a ser readmitido de cada usuario -- **¿Qué compone al modelo multiestado?** .superbigimage[ .text_50[ `$$readmisión\sim X_{1 (Tipo\,de\,plan\,a\,la\,base)}+X_{2 (Completa\,el\,tratamiento\,a\,la\,base)}+\epsilon$$` `$$2^{da}\,readmisión\sim X_{1(Tipo\,de\,plan\,a\,la\,base)}+X_{2 (Completa\,el\,tratamiento\,a\,la\,base)}+X_{3 (Completa\,el\,2^{do}\,tratamiento)}+X_{4 (Días\,desde\,el\,primer\,ingreso)}+\epsilon$$` `$$3^{era}\,readmisión\sim X_{1(Tipo\,de\,plan\,a\,la\,base)}+ X_{2 (Completa\,el\,tratamiento\,a\,la\,base)}+ X_{3 (Completa\,el\,2^{do}\,tratamiento)}+ X_{4 (Completa\,el\,3^{er}\,tratamiento)}+ X_{5 (Días\,desde\,el\,primer\,ingreso)}+ \epsilon$$` `$$4^{ta}\,readmisión\sim X_{1 (Tipo\,de\,plan\,a\,la\,base)}+ X_{2 (Completa\,el\,tratamiento\,a\,la\,base)}+ X_{3 (Completa\,el\,2^{do}\,tratamiento)}+ X_{4 (Completa\,el\,3^{er}\,tratamiento)}+ X_{5 (Completa\,el\,4^{to}\,tratamiento)}+ X_{6 (Días\,desde\,el\,primer\,ingreso)}+ \epsilon$$` ] ] <br> <br> ??? *************NOTA3************* -**Las ecuaciones nos muestran que el modelo multiestado está compuesto por** la modalidad a la base, y se le va añadiendo si se completa cada tratamiento o no en cada tratamiento, más el tiempo que lleva desde que ingresó al primer tratamiento. --- ## Resultados (1)- Muestra balanceada .pull-left[ <img src="data:image/png;base64,#pres_2022_files/figure-html/unnamed-chunk-3-1.png" width="100%" height="100%" style="display: block; margin: auto;" /> - 90% residenciales, pareados con 16% ambulatorios a la base (n=11,456)] ??? ******************NOTA1****************************** - En la **primera figura** se muestra el esquema multiestado de readmisiones sucesivas. Hasta la cuarta readmisión se cubre el 99,1% de los registros. El resto son readmisiones posteriores. Se eligieron 4 readmisiones porque en una encuesta en EEUU las personas respondieron tener en promedio 5 intentos de recuperación en sus vidas y como la readmisión podía ser un proxy de recaida, elegimos esa cantidad (Kelly et al 2019). - Generamos una muestra balanceada que tomó al 90% de tratamientos residenciales a la base, pareados con el 16% de tratamientos ambulatorios a la base (n=11,456)]. Es decir, con un perfil de vulnerabilidad (patrones de uso, escolaridad, región, comorbilidad, etc.) comparable. Kelly JA-O, Greene MC, Bergman BG, White WL, Hoeppner BB. How Many Recovery Attempts Does it Take to Successfully Resolve an Alcohol or Drug Problem? Estimates and Correlates From a National Study of Recovering U.S. Adults. Alcohol Clin Exp Re 2019;43:1533-1544. **(y si preguntan)** - La incidencia de readmisión es mayor en residencial (84 vs. 54 por cada 1,000 años/persona). -- .pull-right[ .details-code[ ```r var_names_2022<- list("origen_ingreso_mod_Spontaneous"="Origen ingreso~-~Espontáneo", "origen_ingreso_mod_Assisted Referral"= "Origen ingreso~-~Derivación asistida", "origen_ingreso_mod_Other"="Origen ingreso~-~Otro", "origen_ingreso_mod_Justice Sector"= "Origen ingreso Admission~-~Sector justicia", "origen_ingreso_mod_Health Sector"="Origen ingreso~-~Sector salud", "dg_cie_10_rec_Without psychiatric comorbidity"="Comorbilidad psiquiátrica~-~Ausencia", "dg_cie_10_rec_Diagnosis unknown (under study)"="Comorbilidad psiquiátrica~-~Desconocida/En estudio", "dg_cie_10_rec_With psychiatric comorbidity"="Comorbilidad psiquiátrica~-~Presencia", "sexo_2_Women"="Sexo~-~Mujer", "edad_al_ing"="Edad al ingreso~-~ ", "fech_ing_num"="Fecha de ingreso~-~ ", "duplicates_filtered"="Tratamientos (#)", "more_one_treat"=">1 tratamiento", "sus_ini_mod_mvv_Alcohol"= "Sustancia de inicio~-~Alcohol", "sus_ini_mod_mvv_Cocaine hydrochloride"= "Sustancia de inicio~-~Clorhidrato de Cocaína", "sus_ini_mod_mvv_Cocaine paste"="Sustancia de inicio~-~Pasta base", "sus_ini_mod_mvv_Marijuana"="Sustancia de inicio~-~Marihuana", "sus_ini_mod_mvv_Other"="Sustancia de inicio~-~Otra", "estado_conyugal_2_Married/Shared living arrangements"="Estatus marital~-~Casado/Conviviendo", "estado_conyugal_2_Separated/Divorced"="Estatus marital~-~Separado/a o divorciado/a", "estado_conyugal_2_Single"= "Estatus marital~-~Soltero/a", "estado_conyugal_2_Widower"="Estatus marital~-~Viudo/a", "escolaridad_rec_3-Completed primary school or less"="Nivel educacional~-~Primaria o menos", "escolaridad_rec_2-Completed high school or less"="Nivel educacional~-~Secundaria o menos", "escolaridad_rec_1-More than high school"="Nivel educacional~-~Mayor a secundaria", "freq_cons_sus_prin_1 day a week or more"="Frecuencia consumo~-~1d/sem o más", "freq_cons_sus_prin_2 to 3 days a week"="Frecuencia consumo~-~2 a 3d/sem", "freq_cons_sus_prin_4 to 6 days a week"="Frecuencia consumo~-~4 a 6d/sem", "freq_cons_sus_prin_Daily"="Frecuencia consumo~-~Diario", "freq_cons_sus_prin_Did not use"="Frecuencia consumo~-~No consumió", "freq_cons_sus_prin_Less than 1 day a week"="Frecuencia consumo~-~< 1d/sem", "nombre_region_Antofagasta (02)"="Región~-~Antofagasta(02)", "nombre_region_Araucanía (09)"="Región~-~Araucanía(09)", "nombre_region_Arica (15)"="Región~-~Arica(15)", "nombre_region_Atacama (03)"="Región~-~Atacama(03)", "nombre_region_Aysén (11)"="Región~-~Aysén(11)", "nombre_region_Biobío (08)"="Región~-~Biobío(08)", "nombre_region_Coquimbo (04)"="Región~-~Coquimbo(04)", "nombre_region_Los Lagos (10)"="Región~-~Los Lagos(10)", "nombre_region_Los Ríos (14)"="Región~-~Los Ríos(14)", "nombre_region_Magallanes (12)"="Región~-~Magallanes(12)", "nombre_region_Maule (07)"="Región~-~Maule(07)", "nombre_region_Metropolitana (13)"="Región~-~Metropolitana(13)", "nombre_region_Ñuble (16)"="Región~-~Ñuble(16)", "nombre_region_O'Higgins (06)"="Región~-~O'Higgins(06)", "nombre_region_Tarapacá (01)"="Región~-~Tarapacá(01)", "nombre_region_Valparaíso (05)"="Región~-~Valparaíso(05)", "tipo_centro_pub"="Tipo de centro~-~Público", "dg_trs_cons_sus_or"= "Trastorno de Dependencia~-~ ", "edad_ini_cons"="Edad inicial de consumo~-~ ", "condicion_ocupacional_corr_Employed"="Estatus ocupacional~-~Empleado", "condicion_ocupacional_corr_Inactive"="Estatus ocupacional~-~Inactivo", "condicion_ocupacional_corr_Looking for a job for the first time"="Estatus ocupacional~-~Buscando 1er trabajo", "condicion_ocupacional_corr_No activity"="Estatus ocupacional~-~Sin actividad", "condicion_ocupacional_corr_Not seeking for work"="Estatus ocupacional~-~No busca trabajo", "condicion_ocupacional_corr_Unemployed"="Estatus ocupacional~-~Desempleado", "rn"="Treatment") # tipo_centro_pub_TRUE # dg_trs_cons_sus_or_TRUE loveplot_bal3 <- # Generate plot smd_df_prev_match_after_match %>% dplyr::mutate(vars=dplyr::case_when(vars=="dg_trs_cons_sus_or_TRUE"~"dg_trs_cons_sus_or",vars=="tipo_centro_pub_TRUE"~"tipo_centro_pub",T~vars)) %>% dplyr::left_join(tibble::rownames_to_column(data.frame(unlist(var_names_2022)),'vars'), by="vars") %>% dplyr::rename("unlist_var_nms_22"="unlist.var_names_2022.") %>% dplyr::mutate(unlist_var_nms_22= sub("Freq Drug Cons","Primary Substance Usage Freq.",unlist_var_nms_22)) %>% dplyr::mutate(unlist_var_nms_22= sub("Motive Admission","Treatment Admission Motive",unlist_var_nms_22)) %>% dplyr::mutate(unlist_var_nms_22= sub("Cocaine hydrochloride","Snort cocaine",unlist_var_nms_22)) %>% dplyr::mutate(unlist_var_nms_22= sub("Age of Onset of Drug Use","Substance Use Onset Age",unlist_var_nms_22))%>% dplyr::mutate(unlist_var_nms_22= sub("Occ.Status","Employment Status",unlist_var_nms_22)) %>% dplyr::mutate(unlist_var_nms_22= sub("Age at Admission","Admission Age",unlist_var_nms_22)) %>% tidyr::separate(unlist_var_nms_22,c("var","cat"), sep="~-~") %>%# View() dplyr::mutate(unlist_var_nms_22=paste0(cat,"~-~",var)) %>% # dplyr::mutate(unlist_var_nms_22= wrap.labels(unlist_var_nms_22, 25)) %>% # dplyr::mutate(unlist_var_names= # dplyr::case_when(unlist_var_names)) %>% ggplot(aes(x = reorder(unlist_var_nms_22, value), y = value, group = variable, color = variable)) + geom_hline(yintercept = 0.2, color = "black", size = 0.2, linetype="dashed") + coord_flip() + theme_bw() + theme(legend.key = element_blank()) + labs(y = "Diferencias absolutas estandarizadas\nen medias",x = "",color="",shape="") + scale_y_continuous(limits = c(0,max(smd_df_prev_match_after_match$value+.05)), breaks = seq(0,1.5,by=.1)) + scale_color_manual(values=c("gray20","black"), labels=paste0(c("Antes ","Después "),"del\nmatching")) + geom_point(aes(shape=variable),size=4) + scale_shape_manual(values=c(8,16), labels=paste0(c("Antes ","Después "),"del\nmatching")) + theme(panel.spacing.x = unit(0,"line")) + theme(text = element_text(size=12.5), legend.background=element_blank(), legend.key = element_rect(colour = "transparent", fill = "transparent"), legend.position = c(max(smd_df_prev_match_after_match$value)*.65,.5))+ theme(axis.text.x = ggtext::element_markdown())+ guides(y = ggh4x::guide_axis_nested(delim = "~-~", order=1)) loveplot_bal3+ggtitle("Figura. SMD's antes y\ndespues de matching\n") ``` <!-- --> ] ] ??? ******************NOTA2****************************** - **En la 2da figura vemos el Balance:** La diferencia promedio estandarizada era importante en buena parte de las variables. Por ejemplo, os tratamientos ambulatorios fueron entregados en centros públicos casi 2 veces más que en privados. En cambio, una vez pareado los grupos tienen diferencias casi nulas en todas las variables a nivel agregado, salvo un SMD de 0,16 en la fecha de ingreso, que decidimos relajar porque no era necesario que fueran iguales (ej., que ingresaran el mismo día a tratamiento) **(si preguntan)** * menos residenciales consumen alcohol, pero más consumen marihuana y pasta base * menos casados y más solteros * más con menor educación (1aria o menos) * muchos más con consumo diario * menos espontáneos, muchos más asistidos, menos justicia * menos sin comorbilidad psiquiatra * más en Arica y Parinacota (15), Tarapacá (01) and Antofagasta (02) * menos empleados o inactivos, * más mujeres * admitidos más temprano (M=67 días) * ingresaron dos años más temprano a tratamiento en promedio --- ## Resultados (2)- Modelos particionados <!--- #Distribuciones de supervivencia elegidas por AIC y RMSEA, Tabla de eso; Explicación de las características de un lognormal, que agrupa personas que se demoran mucho y muy poco, que es una distribución poco común; Ambas AFT; no asumen riesgos proporcionales; Se mira el TR---> <!---https://www.tablesgenerator.com/markdown_tables---> <style> td { font-size: 50% } </style> .pull-left[| | a | | b | | c | | d | | |--------------------------|-----------------|---------------------|-----------------|---------------------|-----------------|-------------------|-----------------|-------------------| | **Parámetros** | **Estimación** | **95%IC** | **Estimación** | **95%IC** | **Estimación** | **95%IC** | **Estimación** | **95%IC** | | σ | 0.89 | 0.87, 0.90 | 0.72 | 0.67, 0.77 | 0.50 | 0.44, 0.56 | 0.50 | 0.39, 0.60 | | κ | -1.33 | -1.44, -1.22 | -0.52 | -0.69, -0.35 | | | | | | Intercepto | 7.91 | 7.81, 8.02 | 7.49 | 7.33, 7.65 | 7.40 | 7.17, 7.63 | 7.09 | 6.62, 7.56 | | Residencial (AFT) | 0.50 | 0.47, 0.54 | 0.98 | 0.87, 1.10 | 0.92 | 0.76, 1.11 | 0.95 | 0.67, 1.33 | .line_space_05[ .text_60[Nota. a=Admisión a readmisión, b= Readmisión a segunda readmisión, c= Segunda a tercera readmisión, d= Tercera a cuarta readmisión. Distribuciones gamma generalizadas incluyen los parámetros σ (sigma) y κ (Kappa), mientras que las distribuciones Lognormales incluyen el parámetro σ.<br> 95%IC= Intervalos de confianza al 95%<br> Los modelos también incluyeron las siguientes covariables: Compeltar o no el tratamiento para cada transición (a medida que se avanzó en cada transición) y el tiempo utilizado en los estados previos]]] ??? ******************NOTA1****************************** - Para las primeras dos transiciones, las distribuciones con mayor parsimonia fue la gamma generalizada (AIC `\(_{12}\)` =121,298; AIC `\(_{23}\)` =36,658) - 3ra y 4ta transición: log-normal (AIC `\(_{34}\)` =11,546; AIC `\(_{45}\)` =3,624). - Ambos son modelos bastante flexibles con varios parámetros y no asumen hazards proporcionales entre los 2 grupos. - **Las diferencias de riesgos entre ambulatorios y residenciales no son constantes en el tiempo, sino que dependen de él** - **tabla**= El tiempo que permanece libre de readmisión un paciente en un residencial en cualquier tiempo de seguimiento es en promedio **50% menor** que aquellos en un ambulatorio a la base. **EN otras palabras, ingresán 2 veces más rápido** En cambio, para posteriores tratamientos, estas diferencias no son distintas. **(... y si preguntan)** La función de riesgo no queda explícita y debe ser calculada para cada intervalo de tiempo t. Cuando k<> 0, el modelo lognormal no es tan adecuado como el gamma generalizado. Es de los modelos más flexibles por su cantidad de parámetros y se le ha utilizado en modelos de progresión de cancer. El modelo lognormal, en cambio, no es comunmente aceptado en análisis de sobrevida y se observa cuando se mezclan individuos con marcadas diferencias en sus tiempos de sobrevida. - **factor de aceleración** Los modelos AFT asumen que los efectos de las covariables son constantes y multiplicativos en la escala de tiempo. Ese efecto se denomina factor de aceleración, que representa la razón de supervivencia correspondiente a cualquier valor fijado de tiempo de supervivencia. - De otra manera, TR/AFT puede verse como el tiempo de supervivencia esperado, o el tiempo mediano de supervivencia de la población 2 es c veces lo mismo que el de la población 1. O razón de sobrevida calculada bajo distintas condiciones, para cualquier tiempo fijo t. - Se ejemplifica con un modelo Lognormal: `\(log\lambda(t|z)=log\lambda_0(te^{-z^T\beta})\)` -- .pull-right[ .details-code[ ```r pres_22_lab<-c("1)Admisión a 1^{era} readmisión","2)1^{era} a 2^{da} readmisión", "3)2^{da} a 3^{era} readmisión", "4)3^{era} a 4^{ta} readmision") attr(pres_22_lab,"names")<-1:4 cumhaz_par<- dplyr::bind_rows(cbind(summary(fits_c_ggam_orig2[[1]],newdata=newdat_a_1096, type="cumhaz", tidy=T),trans=1, mod="Res"), cbind(summary(fits_c_ggam_orig2[[1]],newdata=newdat_b_1096, type="cumhaz", tidy=T),trans=1, mod="Amb"), cbind(summary(fits_c_ggam_orig2[[2]],newdata=newdat_a_1096, type="cumhaz", tidy=T),trans=2, mod="Res"), cbind(summary(fits_c_ggam_orig2[[2]],newdata=newdat_b_1096, type="cumhaz", tidy=T),trans=2, mod="Amb"), cbind(summary(fits_c_logn2[[3]],newdata=newdat_a_1096, type="cumhaz", tidy=T),trans=3, mod="Res"), cbind(summary(fits_c_logn2[[3]],newdata=newdat_b_1096, type="cumhaz", tidy=T),trans=3, mod="Amb"), cbind(summary(fits_c_logn2[[4]],newdata=newdat_a_1096, type="cumhaz", tidy=T),trans=4, mod="Res"), cbind(summary(fits_c_logn2[[4]],newdata=newdat_b_1096, type="cumhaz", tidy=T),trans=4, mod="Amb")) dplyr::bind_rows(cbind.data.frame(cumhaz_par,type="NP"), cbind.data.frame(msf0$Haz %>% dplyr::rename("est"="Haz"),mod="Amb", type="Par"), cbind.data.frame(msf1$Haz %>% dplyr::rename("est"="Haz"),mod="Res", type="Par")) %>% dplyr::mutate(time=time/365.25) %>% dplyr::mutate(trans=factor(trans,labels=c(expression("1==~Admisión~a~readm."),expression("2==~ 1^{era}~a~2^{da}~readm."), expression("3==~2^{da}~a~3^{era}~readm."), expression("4==~3^{era}~a~4^{ta}~readm.")))) %>% ggplot(aes(x=time, y=est, color=type,linetype=mod))+ geom_step()+ facet_wrap(~trans, ncol=3, scales="free_y",labeller = label_parsed)+ scale_color_manual(name = "Estimación", values=c("#3C3C3B","#FEDA3F"), labels= c("No Paramétrica","Paramétrica")) + # "#A65100" #"Cox", #3C3C3B #FEDA3F scale_linetype_manual(name= "Modalidad",values=c(1,4), labels=c("Ambulatoria","Residencial")) + xlab("Años") + ylab("Hazards acumulados") + theme_minimal()+ #sjPlot::theme_sjplot() theme(legend.position=c(.8,.2), legend.title = element_text(size=15), legend.text = element_text(size=11), axis.text.x = element_text(size=11), axis.text.y = element_text(size=11), strip.text = element_text(size = 13) )+ ggtitle("Figura. Hazards acumulados por transición") ``` <!-- --> ] ] ??? ******************NOTA2****************************** - **figura**= Vemos que tanto el modelo no-paramétrico (sin controlar por el tiempo ni completar el tratamiento) y paramétrico (controlando por esas variables) indican que los hazards de transitar a la primera readmisión son mayores en residenciales que en ambulatorios a la base. Esas diferencias no se observan en las readmisiones posteriores. --- ## Resultados (3)- Modelos multiestado <!--- #Probabilidades de transición, diferencias. Decir que se hicieron hatos perfiles, pero que se grafdico con el principal con 3 años de llegada---> .pull-left[ .details-code[ ```r lmaj_ci_df_plot_2022+ ggtitle("Figura. Probabilidades de transición (IC95%) landmark Aalen-Johansen(3a)")+ theme(legend.position = c(.8,.1), legend.title = element_text(size=13), legend.text = element_text(size=11), axis.text.x = element_text(size=11), axis.text.y = element_text(size=11), strip.text = element_text(size = 13)) ``` <img src="data:image/png;base64,#pres_2022_files/figure-html/unnamed-chunk-4-1.png" width="100%" height="100%" style="display: block; margin: auto;" /> ] ] ??? ******************NOTA1****************************** - **Figura 1**= Ya aquí utilizando un modelo multiestado no-paramétrico (como el Kaplan-Meier multiestado, y por tanto, sin controlar por ninguna otra variable) permite ver que de 3 a 5 años, los pacientes en residencial a la base tienen mayor probabilidad de transitar a readmisión. En las siguientes transiciones no se observan diferencias. **(...y si preguntan)** Podemos ver que las estimaciones Aalen-Johansen (se toma una ventana de tiempo de tres años de seguimiento para capturar una mayor cantidad de usuarios por evento, porque no constatamos que a los 3 meses de seguimiento un usuario se encuentre cursando una 4ta readmisión), que no asumen una distribución de supervivencia de los datos y que serían homologables a las curvas Kaplan-Meier ya señalan que en la primera transición en los primeros 5 años (en donde hay más datos) existe una brecha en que los usuarios presentan mayores probabilidades de resultar readmitidos en tratamiento. En cambio, en las sucesivas readmisiones, estos subgrupos presentan las mismas probabilidades concatenadas. -- .pull-right[ <img src="data:image/png;base64,#pres_2022_files/figure-html/porb_trans-1.png" width="100%" height="100%" style="display: block; margin: auto;" /> ] ??? ******************NOTA2****************************** - **Figura 2**= En el modelo paramétrico en que combinamos todos los modelos con menor AIC y manteniendo constante si la persona completó o no el tratamiento en c/etapa y el tiempo de seguimiento, los residenciales a la base tienen una probabilidad mayor que va crecientdo con el tiempo de resultar readmitidos (las diferencias ajustadas más bajas fueron de 1,3% 95IC:1.1, 1.5 a los 3 meses de seguimiento). - **No se muestra aquí (el foco está en la modalidad de tratmiento a la base), pero completar tratamiento a la base redujo la probabilidad de ser readmitido** por al menos 1,2% (95%CI: -1%,-1.3% a los 3 meses) (de ahí aumenta) comparado con quienes no completaron el tratamiento, sin importar quien lo hiciera. --- ## Sensibilidad Generamos dos modelos estratificados por eventos acumulados y con varianzas robustas a anidación por pacientes `\(^{[25; 23]}\)`. .pull-left[ .details-code[ ```r options(knitr.kable.NA = '') #upper97.5% #load("E:/Mi unidad/Alvacast/SISTRAT 2019 (github)/mult_state_5_jun.RData") coefBase(timecox_pwp_const2_opc2, digits=3) %>% # data.table::data.table(capture.output(summary(timecox_pwp_const2_opc2))[(which(grepl("Parametric ",capture.output(summary(timecox_pwp_const2_opc2))))+1):(which(grepl("Call",capture.output(summary(timecox_pwp_const2_opc2))))-2)], keep.rownames=T) %>% # slice(-1) %>% # tidyr::separate(V1,c("Variables","Coef", "SE", "Robust SE", "z", "Sig.", "95%CI_lo", "95%CI_up"), sep="\\s+") %>% # dplyr::mutate(HR= round(exp(as.numeric(Coef)),2), HR_95_CI_lo= round(exp(as.numeric(`95%CI_lo`)),2), HR_95_CI_up= round(exp(as.numeric(`95%CI_up`)),2)) %>% data.table::data.table(keep.rownames = T) %>% dplyr::rename("Variables"="rn") %>% dplyr::filter(grepl("tipo_de_plan_res_1",Variables)) %>% dplyr::mutate(HR= round(exp(`Coef.`),2), HR_95_CI_lo= round(exp(`lower2.5%`),2), HR_95_CI_up= round(exp(`upper97.5%`),2)) %>% dplyr::select(Variables, HR, HR_95_CI_lo, HR_95_CI_up) %>% dplyr::mutate(Variables=dplyr::case_when(grepl("tipo_de_plan", Variables)~"Tratamiento residencial a la base")) %>% knitr::kable(.,format = "html", format.args = list(decimal.mark = ".", big.mark = ","), caption = paste0("Tabla. Estructura PWP"), col.names = c("Variables", "HR", "95%CI Lower", "95%CI Upper"), align =c('l',rep('c', 101)), escape=T) %>% kableExtra::row_spec(0, font_size=9)%>% #kableExtra::cell_spec(1,bold=T) %>% kableExtra::add_footnote("Nota. La única variable de control que no pudo fijarse constante fue el completar tratamiento a la base.", notation="none") ``` <table> <caption>Tabla. Estructura PWP</caption> <thead> <tr> <th style="text-align:left;font-size: 9px;"> Variables </th> <th style="text-align:center;font-size: 9px;"> HR </th> <th style="text-align:center;font-size: 9px;"> 95%CI Lower </th> <th style="text-align:center;font-size: 9px;"> 95%CI Upper </th> </tr> </thead> <tbody> <tr> <td style="text-align:left;"> Tratamiento residencial a la base </td> <td style="text-align:center;"> 1.15 </td> <td style="text-align:center;"> 1.05 </td> <td style="text-align:center;"> 1.26 </td> </tr> </tbody> <tfoot> <tr> <td style = 'padding: 0; border:0;' colspan='100%'><sup></sup> Nota. La única variable de control que no pudo fijarse constante fue el completar tratamiento a la base.</td> </tr> </tfoot> </table> ] ] .pull-right[ .details-code[ .details[ ```r #load("C:/Users/CISS Fondecyt/Mi unidad/Alvacast/SISTRAT 2019 (github)/mult_state_5_jun.RData") #if(no_mostrar==1){ future::plan(future::multisession) library(future) library(coxphw) library(survival) coxphw_pwp2_cl %<-% coxphw::coxphw(survival::Surv(Tstart,Tstop,status) ~ tipo_de_plan_res_1*strata(trans)+ TD_1+ TD_2+ TD_3+ TD_4+ strata(trans), data = ms_d_match_surv,template="AHR", clusterid=ms_d_match_surv$id, robust=T)# coxphw_pwp2_cl_f <- future::futureOf(coxphw_pwp2_cl) while (!future::resolved(coxphw_pwp2_cl_f)) { message("Computando...") } ``` ``` ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ## Computando... ``` ] ] .details-code[ .details[ ```r res_pwp_w2_cl <- cbind.data.frame(Avg_HR=round(exp(coxphw_pwp2_cl$coeff),2), Lo_ci95=round(exp(confint(coxphw_pwp2_cl))[,1],2), Up_ci95=round(exp(confint(coxphw_pwp2_cl))[,2],2), p=round(summary(coxphw_pwp2_cl)$prob,4))%>% data.table::data.table(keep.rownames=T) ``` ``` ## coxphw::coxphw(formula = survival::Surv(Tstart, Tstop, status) ~ ## tipo_de_plan_res_1 * strata(trans) + TD_1 + TD_2 + TD_3 + ## TD_4 + strata(trans), data = ms_d_match_surv, template = "AHR", ## robust = T, clusterid = ms_d_match_surv$id) ## ## Model fitted by weighted estimation (AHR template) ## ## coef se(coef) exp(coef) ## tipo_de_plan_res_1 0.31376109 0.09443654 1.3685627 ## strata(trans)trans=2 -0.08423851 0.10962756 0.9192120 ## strata(trans)trans=3 -0.40780193 0.12158556 0.6651106 ## strata(trans)trans=4 -1.79311303 0.18055279 0.1664412 ## TD_1 -0.63166998 0.07416699 0.5317031 ## TD_2 -0.13839551 0.07586840 0.8707542 ## TD_3 -0.19060040 0.07460219 0.8264628 ## TD_4 0.07294659 0.07852449 1.0756731 ## tipo_de_plan_res_1:strata(trans)trans=2 -0.25939176 0.13091722 0.7715207 ## tipo_de_plan_res_1:strata(trans)trans=3 -0.11165870 0.13856845 0.8943494 ## tipo_de_plan_res_1:strata(trans)trans=4 -0.10785963 0.20988298 0.8977536 ## lower 0.95 upper 0.95 z ## tipo_de_plan_res_1 1.1373135 1.6468318 3.3224543 ## strata(trans)trans=2 0.7414819 1.1395433 -0.7684063 ## strata(trans)trans=3 0.5240830 0.8440879 -3.3540326 ## strata(trans)trans=4 0.1168353 0.2371088 -9.9312395 ## TD_1 0.4597674 0.6148940 -8.5168610 ## TD_2 0.7504405 1.0103571 -1.8241521 ## TD_3 0.7140388 0.9565877 -2.5548904 ## TD_4 0.9222319 1.2546439 0.9289660 ## tipo_de_plan_res_1:strata(trans)trans=2 0.5969125 0.9972052 -1.9813418 ## tipo_de_plan_res_1:strata(trans)trans=3 0.6816439 1.1734293 -0.8058017 ## tipo_de_plan_res_1:strata(trans)trans=4 0.5949828 1.3545963 -0.5139037 ## p ## tipo_de_plan_res_1 0.0008922928 ## strata(trans)trans=2 0.4422458297 ## strata(trans)trans=3 0.0007964299 ## strata(trans)trans=4 0.0000000000 ## TD_1 0.0000000000 ## TD_2 0.0681290787 ## TD_3 0.0106221247 ## TD_4 0.3529066916 ## tipo_de_plan_res_1:strata(trans)trans=2 0.0475529575 ## tipo_de_plan_res_1:strata(trans)trans=3 0.4203571951 ## tipo_de_plan_res_1:strata(trans)trans=4 0.6073193527 ## ## Wald Chi-square = 276.7918 on 11 df p = 0 n = 2584 ## ## Covariance-Matrix: ## tipo_de_plan_res_1 strata(trans)trans=2 ## tipo_de_plan_res_1 0.0089182603 0.0051960147 ## strata(trans)trans=2 0.0051960147 0.0120182021 ## strata(trans)trans=3 0.0050505447 0.0072936191 ## strata(trans)trans=4 0.0045964653 0.0066393547 ## TD_1 -0.0007838541 0.0008280679 ## TD_2 0.0001708956 -0.0004976714 ## TD_3 -0.0004695121 0.0003225184 ## TD_4 0.0003590339 -0.0003741209 ## tipo_de_plan_res_1:strata(trans)trans=2 -0.0084771693 -0.0108305224 ## tipo_de_plan_res_1:strata(trans)trans=3 -0.0085758960 -0.0056030335 ## tipo_de_plan_res_1:strata(trans)trans=4 -0.0087811996 -0.0049432867 ## strata(trans)trans=3 ## tipo_de_plan_res_1 5.050545e-03 ## strata(trans)trans=2 7.293619e-03 ## strata(trans)trans=3 1.478305e-02 ## strata(trans)trans=4 7.911207e-03 ## TD_1 1.234563e-03 ## TD_2 6.536987e-05 ## TD_3 2.104576e-04 ## TD_4 -2.932920e-04 ## tipo_de_plan_res_1:strata(trans)trans=2 -5.598503e-03 ## tipo_de_plan_res_1:strata(trans)trans=3 -1.180817e-02 ## tipo_de_plan_res_1:strata(trans)trans=4 -4.222963e-03 ## strata(trans)trans=4 TD_1 ## tipo_de_plan_res_1 0.0045964653 -0.0007838541 ## strata(trans)trans=2 0.0066393547 0.0008280679 ## strata(trans)trans=3 0.0079112074 0.0012345628 ## strata(trans)trans=4 0.0325993115 0.0017400917 ## TD_1 0.0017400917 0.0055007429 ## TD_2 0.0006620449 -0.0003578932 ## TD_3 0.0001011096 0.0003030015 ## TD_4 -0.0003931321 -0.0001819544 ## tipo_de_plan_res_1:strata(trans)trans=2 -0.0046282786 0.0002351470 ## tipo_de_plan_res_1:strata(trans)trans=3 -0.0043052061 0.0003708176 ## tipo_de_plan_res_1:strata(trans)trans=4 -0.0271499010 0.0003566738 ## TD_2 TD_3 ## tipo_de_plan_res_1 1.708956e-04 -4.695121e-04 ## strata(trans)trans=2 -4.976714e-04 3.225184e-04 ## strata(trans)trans=3 6.536987e-05 2.104576e-04 ## strata(trans)trans=4 6.620449e-04 1.011096e-04 ## TD_1 -3.578932e-04 3.030015e-04 ## TD_2 5.756015e-03 -7.730343e-04 ## TD_3 -7.730343e-04 5.565486e-03 ## TD_4 -2.256571e-04 -6.146290e-04 ## tipo_de_plan_res_1:strata(trans)trans=2 1.947440e-04 -6.541391e-05 ## tipo_de_plan_res_1:strata(trans)trans=3 1.638993e-04 -3.886312e-05 ## tipo_de_plan_res_1:strata(trans)trans=4 -6.052025e-04 8.790560e-04 ## TD_4 ## tipo_de_plan_res_1 3.590339e-04 ## strata(trans)trans=2 -3.741209e-04 ## strata(trans)trans=3 -2.932920e-04 ## strata(trans)trans=4 -3.931321e-04 ## TD_1 -1.819544e-04 ## TD_2 -2.256571e-04 ## TD_3 -6.146290e-04 ## TD_4 6.166096e-03 ## tipo_de_plan_res_1:strata(trans)trans=2 7.612907e-05 ## tipo_de_plan_res_1:strata(trans)trans=3 -2.651399e-04 ## tipo_de_plan_res_1:strata(trans)trans=4 -2.629523e-04 ## tipo_de_plan_res_1:strata(trans)trans=2 ## tipo_de_plan_res_1 -8.477169e-03 ## strata(trans)trans=2 -1.083052e-02 ## strata(trans)trans=3 -5.598503e-03 ## strata(trans)trans=4 -4.628279e-03 ## TD_1 2.351470e-04 ## TD_2 1.947440e-04 ## TD_3 -6.541391e-05 ## TD_4 7.612907e-05 ## tipo_de_plan_res_1:strata(trans)trans=2 1.713932e-02 ## tipo_de_plan_res_1:strata(trans)trans=3 8.530115e-03 ## tipo_de_plan_res_1:strata(trans)trans=4 7.935760e-03 ## tipo_de_plan_res_1:strata(trans)trans=3 ## tipo_de_plan_res_1 -8.575896e-03 ## strata(trans)trans=2 -5.603033e-03 ## strata(trans)trans=3 -1.180817e-02 ## strata(trans)trans=4 -4.305206e-03 ## TD_1 3.708176e-04 ## TD_2 1.638993e-04 ## TD_3 -3.886312e-05 ## TD_4 -2.651399e-04 ## tipo_de_plan_res_1:strata(trans)trans=2 8.530115e-03 ## tipo_de_plan_res_1:strata(trans)trans=3 1.920122e-02 ## tipo_de_plan_res_1:strata(trans)trans=4 8.215694e-03 ## tipo_de_plan_res_1:strata(trans)trans=4 ## tipo_de_plan_res_1 -0.0087811996 ## strata(trans)trans=2 -0.0049432867 ## strata(trans)trans=3 -0.0042229635 ## strata(trans)trans=4 -0.0271499010 ## TD_1 0.0003566738 ## TD_2 -0.0006052025 ## TD_3 0.0008790560 ## TD_4 -0.0002629523 ## tipo_de_plan_res_1:strata(trans)trans=2 0.0079357603 ## tipo_de_plan_res_1:strata(trans)trans=3 0.0082156935 ## tipo_de_plan_res_1:strata(trans)trans=4 0.0440508660 ## ## Generalized concordance probability: ## concordance prob. lower 0.95 upper 0.95 ## tipo_de_plan_res_1 0.5778 0.5321 0.6222 ## strata(trans)trans=2 0.4790 0.4258 0.5326 ## strata(trans)trans=3 0.3994 0.3439 0.4577 ## strata(trans)trans=4 0.1427 0.1046 0.1917 ## TD_1 0.3471 0.3150 0.3808 ## TD_2 0.4655 0.4287 0.5026 ## TD_3 0.4525 0.4166 0.4889 ## TD_4 0.5182 0.4798 0.5565 ## tipo_de_plan_res_1:strata(trans)trans=2 0.4355 0.3738 0.4993 ## tipo_de_plan_res_1:strata(trans)trans=3 0.4721 0.4053 0.5399 ## tipo_de_plan_res_1:strata(trans)trans=4 0.4731 0.3730 0.5753 ``` ] ] <!--- #} #discriminatory power #Despite its good performance, especially in situations where the proportional hazards assumption is violated, C-index boosting has the drawback that variable selection cannot be accomplished as easily as with traditional boosting algorithms designed for the calibration of a prediction model #sensible range (∈(0.6,0.9)). ---> .details-code[ ```r fplot <- res_pwp_w2_cl %>% dplyr::filter(rn %in% c("tipo_de_plan_res_1","tipo_de_plan_res_1:strata(trans)trans=2","tipo_de_plan_res_1:strata(trans)trans=3","tipo_de_plan_res_1:strata(trans)trans=4", "TD_1")) %>% dplyr::mutate(rn=dplyr::case_when(rn=="tipo_de_plan_res_1:strata(trans)trans=2"~"Residencial x\n2da readmisión",rn=="tipo_de_plan_res_1:strata(trans)trans=3"~"Residencial x\n3era readmisión",rn=="tipo_de_plan_res_1:strata(trans)trans=4"~"Residencial x\n4ta readmisión",rn=="tipo_de_plan_res_1"~"Residencial x\n1era readmisión",rn=="TD_1"~"Completar tratamiento\na la base", T~NA_character_)) %>% dplyr::mutate(rn=factor(rn, levels=rev(c("Residencial x\n1era readmisión","Residencial x\n2da readmisión", "Residencial x\n3era readmisión", "Residencial x\n4ta readmisión","Completar tratamiento\na la base")))) %>% ggplot(aes(y = rn, x = Avg_HR)) + geom_point(shape = 18, size = 5) + geom_errorbarh(aes(xmin = Lo_ci95, xmax = Up_ci95), height = 0.25) + geom_vline(xintercept = 1, color = "red", linetype = "dashed", cex = 1, alpha = 0.5) + # scale_y_continuous(name = "", breaks=1:4, labels = res_pwp_w2_cl$label, trans = "reverse") + xlab("Hazard Ratio promedio (95% IC)") + ylab(" ") + theme_bw() + theme(panel.border = element_blank(), panel.background = element_blank(), panel.grid.major = element_blank(), panel.grid.minor = element_blank(), axis.line = element_line(colour = "black"), axis.text.y = element_text(size = 12, colour = "black"), axis.text.x.bottom = element_text(size = 12, colour = "black"), axis.title.x = element_text(size = 12, colour = "black"))+ labs(caption= "Controlando por completar el tratamiKento en c/readmisión,\nICs ajustados a eventos por c/paciente y estratificados por c/readmisión") fplot+ggtitle("Figura. Hazard ratios ponderados, Estructura PWP") ``` <img src="data:image/png;base64,#pres_2022_files/figure-html/plot-1.png" width="75%" height="75%" style="display: block; margin: auto;" /> ] ] ??? ******************NOTA****************************** - Los análisis de sensibilidad también arrojan algo similar: - El haber cursado un tratamiento residencial a la base se asocia con un riesgo 15% mayor de readmisión. - Y si desagregamos (metemos un efecto de interacción con cada readmisión) vemos que el efecto de haber cursado un tratamiento a la base tiene un mayor riesgo de experimentar readmisión 37% mayor (95% IC: 14- 65%), no así posteriores. **(... y si preguntan)** - **Tabla**. Estos son algunos de los principales análisis de sensibilidad efectuados. - Un modelo coxextendido con efectos variables en el tiempo parciales (Cox model with partly time-varying effects) by Martinussen, Scheike & Skovgaard. Utilizamos 3,000 simulaciones, y progresivamente fuimos fijando aquellos efectos que aparecieran como variables en el tiempo hasta quedar sólo con el completar el tratamiento a la base con efectos variables en el tiempo. - La estructura es similar a la de un PWP-TT, estratificados por cada readmisión y clustering por pacientes, de esta manera corrigiendo la varianza para dar cuenta de la predispisición a ser readmitido de cada usuario. - **Interpretación**. HR [hazard ratio]=1.15 95% CI: 1.05, 1.26 , El haber cursado con un tratamiento residencial a la base se asocia con un riesgo 15% mayor de readmisión.// El completar o no tratamiento, obtuvo coeficientes variables en el tiempo, fue la única co-variable que no pudo fijarse en un valor promedio sino que depende del tiempo de seguimiento **Pero esto es readmisión en general, no está distinguiendo por cada etapa o estrato. Posiblemente el primer estrato como vimos en el diseño es el más influyente por la cantidad de personas que tienen un primer tratamiento nada más** - **Figura 2 **. Añadimos un segundo modelo que maneja el problema de no contar con hazard-ratios constantes. - Utiliza un ponderador en cada tiempo t que es el producto de la probabilidad de supervivencia estimada y el inverso de la probabilidad estimada de censura en cada tiempo t. - Además, introdujimos una interacción con cada estrato, para poder ver si el pertenecer a un tratamiento residencial a la base varía en función de cada readmisión. - **Interpretación** Se puede observar que el efecto de haber cursado un tratamiento a la base tiene un mayor riesgo de experimentar readmisión 37% mayor (95% IC: 14- 65%). Explicación de coxphw: EdM (https://stats.stackexchange.com/users/28500/edm), Weighted cox regression: test for goodness of fit?, URL (version: 2021-05-05): https://stats.stackexchange.com/q/522934 --- ## Conclusiones **Hallazgos** - La modalidad residencial de tratamiento a la base no reduce la probabilidad de readmisión. De hecho, más pacientes experimentaron readmisión a tratamiento. Ciertos factores pueden contextualizar los hallazgos: - Superposición de tratamiento, tratamientos combinados - Nuevos lineamientos de SENDA - El criterio de completar tratamiento y ser readmitido debe ser problematizado ??? ******************NOTA1****************************** - Crossover, usuarios pasan de tratamiento residencial a ambulatorio, para reintegrarse, continuo de cuidados - El 18% de los residenciales fueron readmitidos a un tratamiento ambulatorio después (15% n= 1,717 en otro residencial), - El 7% (745/11,456) de los ambulatorios fue readmitido a tratamientos residenciales (16% n=1,858 en otro ambulatorio). - Que a pesar de que en el convenio [SENDA-MINSAL](https://www.senda.gob.cl/wp-content/uploads/2012/08/OrientacionesTecnicas_CentrosdeTratamiento.pdf) establecía que duraba más el residencial (12m) vs. 6-8m ambulatorios. Ya en 2018, el estudio **DIPRES-UC** constata que la duración se revierte, buscando referir a residenciales antes a otros tipos de servicios, por lo que **el abandono es menos probable que ocurra** - El criterio de completar tratamiento y ser readmitido debe ser problematizado - Completar no necesariamente es bueno. Hay veces que la gente no-completa, sobre todo Residenciales, porque ha alcanzado un nivel que tal vez necesita tomar un trabajo, ha adquirido cierta autonomía, etc. - Las readmisiones no son necesariamente malas - De ahí que **Estos hallazgos no son suficientes para señalar que los tratamientos ambulatorios son más efectivos que los residenciales.**. Las readmisiones pueden expresar involucramiento en tratar sus síntomas antes de que empeoren o de que están funcionando estos nuevos lineamientos del senda. - [Figura sobre traslape tratamientos](https://drive.google.com/file/d/1Y9MUN3ICR9OP0suIp1W2qgd8uOljIXzn/view?usp=sharing) -- **Limitaciones** 1. Bases de datos administrativas 2. Pareamiento 1 a 1 3. Variables no medidas 4. Existen otros resultados que podrían sesgar la ocurrencia de readmisión (*competidores*) 5. Rol de la readmisión 6. Tratamientos previos podrían predisponer susceptibilidad a resultados 7. Se calcularon probabilidades basados en perfiles, no marginales, por su implementación computacional ??? ******************NOTA2****************************** **Varias limitaciones que pueden leer posteriormente y que no me referiré aquí** - Estas tienen limitaciones (muy estandarizadas, no se sabe cómo se ingresan, etc.) - Podría haberse hecho un balance 1:2 o 1:n en que se reduzca la varianza, sobre todo ya en la 4ta readmisión (n=206), aunque el grupo de interés (residencial) se conservó en el 90% - Otros resultados competidores como encarcelación, muerte, etc., podrían sesgar los hallazgos. Desgraciadamente no logramos conseguir estos datos en su momento - Reconocemos que los tratamientos anteriores (sobre todo cuando niños, ej., ingreso a SENAME) podrían a su vez predisponer a la readmisión y el completar el tratamiento. o con tamos con esta información de manera fidedigna. Creemos que estos aspectos no observados pudiesen haber sido pareados en encontrar pares con similares características en otros ámbitos - Las readmisiones son sólo un aspecto de una perspectiva de TUS continua y un sistema orientado a la recuperación - A veces las readmisiones podrían expresar compromiso en tratarse antes de empeorar en el uso de sustancias - Marginal vs. covariate-specific predictions (perfiles determinados) -- **Eventual Contribución** - A la literatura creciente que da cuenta de dinámicas longitudinales en el estudio de TUS - A estudios con datos empíricos de la región - Seguimiento de 10 años - Análisis de sensibilidad ??? ******************NOTA3****************************** **decir** - Este estudio ha sido relevante en el contexto de que en UK o US, se ha discutido fuertemente el rol de los tratamientos residenciales y ha reducido su financiamiento - El COVID19 ha impactado negativamente en su oferta - También apunta a contribuir al estudio de dinámicas longitudinales en el tratamiento por uso de sustancias usando un modelo de multiples estados vs. modelos tiempo-al-primer-evento o eventos no-concatenados, a estudios con datos empíricos en latinoamérica (con datos de más de un centro y región), utilizando un período de seguimiento de 10 años, y proporcionando múltiples análisis de sensibilidad (de los que pudimos ver unos pocos) **si quiere decirse algo más** - Datos de la región que se extienden a más de una jurisdicción, políticas de un centro específico, etc. - Es una primera aproximación a la intrincada relación entre distintos resultados de tratamaiento y la modalidad de los tratamientos - Multiestado vs. time-to-first-event methods -- **Desafíos futuros** - Explorar las trayectorias de tratamiento desde una perspectiva de un conjunto de tratamientos sucesivos o cercanamente continuos (ej., combinación de un tratamiento residencial y un ambulatorio) - Incluir otros programas/instrumentos como SENDA Oportunidades o TOP ??? ******************NOTA4****************************** - Entre los desafíos está estudiar las trayectorias con paquetes de tratamientos (ej., identificar continuidades de un residencial y ambulatorio, y ver si esa combinación tiene un efecto de readmisión distinto). También fay otros programas como SENDA oportunidades (acceso a vivienda, empleo y otras áreas de participación) que debiesen ser también estudiadas. - De igual manera, el TOP permite ver otros resultados (reducción de consumo, ocupación posterior, etc.) --- class: center, middle # ¡Muchas Gracias! <br> <div class="centered"> Contacto: andres.gonzalez@umayor.cl </div> <br> <br> <br> <img src="data:image/png;base64,#./img/logo-es.png" width="300" style="display: block; margin: auto;" /> <br> --- ## Referencias [1] GBD 2017 Disease `and` Injury Incidence `and` Prevalence Collaborators. "Global, regional, and national incidence, prevalence, and years lived with disability for 354 diseases and injuries for 195 countries and territories, 1990-2017: a systematic analysis for the Global Burden of Disease Study 2017". In: _Lancet_ 392 (2018), pp. 1789-1858. DOI: [10.1016/S0140-6736(18)32279-7](https://doi.org/10.1016%2FS0140-6736%2818%2932279-7). [2] Institute for Health Metrics `and` Evaluation. _GBD Compare Data Visualization_. Generic. 2019. URL: [http://vizhub.healthdata.org/gbd-compare](http://vizhub.healthdata.org/gbd-compare). [3] National Institute on Drug Abuse[NIDA]. _Part 1: The Connection Between Substance Use Disorders and Mental Illness_. Report. National Institute on Drug Abuse, . URL: [https://www.drugabuse.gov/publications/research-reports/common-comorbidities-substance-use-disorders/part-1-connection-between-substance-use-disorders-mental-illness](https://www.drugabuse.gov/publications/research-reports/common-comorbidities-substance-use-disorders/part-1-connection-between-substance-use-disorders-mental-illness). [4] United Nations[UN]. _World Drug Report 2019 (Sales No. E.19.XI.8)_. Generic. 2020. URL: [https://digitallibrary.un.org/record/3830902](https://digitallibrary.un.org/record/3830902). [5] C. P. Krebs, K. J. Strom, W. H. Koetse, et al. "The Impact of Residential and Nonresidential Drug Treatment on Recidivism Among Drug-Involved Probationers: A Survival Analysis". In: _Crime & Delinquency_ 55.3 (2008), pp. 442-471. ISSN: 0011-1287. DOI: [10.1177/0011128707307174](https://doi.org/10.1177%2F0011128707307174). URL: [https://doi.org/10.1177/0011128707307174](https://doi.org/10.1177/0011128707307174). [6] M. E. Hollis, W. G. Jennings, and S. Hankhouse. "An Outcome Evaluation of a Substance Abuse Program for Probationers: Findings from a Quasi-Experimental Design". In: _American Journal of Criminal Justice_ 44.3 (2019), pp. 395-408. ISSN: 1936-1351. DOI: [10.1007/s12103-019-9472-z](https://doi.org/10.1007%2Fs12103-019-9472-z). URL: [https://doi.org/10.1007/s12103-019-9472-z](https://doi.org/10.1007/s12103-019-9472-z). [7] M. Nuijten, P. Blanken, B. van der Hoorn, et al. "A randomised controlled trial of outpatient versus inpatient integrated treatment of dual diagnosis patients: a failed but informative study". In: _Mental Health and Substance Use_ 5.2 (2012), pp. 132-147. ISSN: 1752-3281. DOI: [10.1080/17523281.2011.628947](https://doi.org/10.1080%2F17523281.2011.628947). URL: [https://doi.org/10.1080/17523281.2011.628947](https://doi.org/10.1080/17523281.2011.628947). [8] R. J. McQuaid, R. Jesseman, and B. Rush. "Examining Barriers as Risk Factors for Relapse: A focus on the Canadian Treatment and Recovery System of Care". In: _The Canadian journal of addiction_ 9.3 (2018), pp. 5-12. ISSN: 2368-4720. DOI: [10.1097/CXA.0000000000000022](https://doi.org/10.1097%2FCXA.0000000000000022). URL: [https://pubmed.ncbi.nlm.nih.gov/30197927 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6110379/](https://pubmed.ncbi.nlm.nih.gov/30197927 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6110379/). --- ## Referencias (2) [9] W. White. _Recovery/remission from substance use disorders: an analysis of reported outcomes in 415 scientific reports, 1868–2011_. Report. Philadelphia Department of Behavioral Health and Intellectual disAbility Services and the Great Lakes Addiction Technology Transfer Center, 2012. URL: [http://www.williamwhitepapers.com/pr/2012 [10] A. Pérez-Gómez and J. Mejía-Trujillo. "The Evolution of Alcohol and Drug Prevention Strategies in Latin America". In: _The Cambridge Handbook of International Prevention Science_. Ed. by J. L. Romano and M. Israelashvili. Cambridge Handbooks in Psychology. Cambridge: Cambridge University Press, 2016, pp. 753-779. ISBN: 9781107087972. DOI: [DOI: 10.1017/9781316104453.033](https://doi.org/DOI%3A%2010.1017%2F9781316104453.033). URL: [https://www.cambridge.org/core/books/cambridge-handbook-of-international-prevention-science/evolution-of-alcohol-and-drug-prevention-strategies-in-latin-america/D5388B39AE929D5E91DA5DC78D7F06F0](https://www.cambridge.org/core/books/cambridge-handbook-of-international-prevention-science/evolution-of-alcohol-and-drug-prevention-strategies-in-latin-america/D5388B39AE929D5E91DA5DC78D7F06F0). [11] Ministerio de Salud[MINSAL]. _Norma y orientaciones técnicas de los planes de tratamiento y rehabilitación para personas adultas con problemas derivados del consumo de drogas_. Legal Rule or Regulation. 2012. URL: [https://www.senda.gob.cl/wp-content/uploads/2012/08/OrientacionesTecnicas_CentrosdeTratamiento.pdf](https://www.senda.gob.cl/wp-content/uploads/2012/08/OrientacionesTecnicas_CentrosdeTratamiento.pdf). [12] Fondo Nacional de Salud[FONASA]. _Boletín estadístico 2017-2018_. Government Document. URL: [https://www.fonasa.cl/sites/fonasa/adjuntos/boletin_estadistico_20172018](https://www.fonasa.cl/sites/fonasa/adjuntos/boletin_estadistico_20172018). [13] J. Honaker, G. King, and M. Blackwell. "Amelia II: A Program for Missing Data". In: _Journal of Statistical Software; Vol 1, Issue 7 (2011)_ (2011). URL: [https://www.jstatsoft.org/v045/i07 http://dx.doi.org/10.18637/jss.v045.i07](https://www.jstatsoft.org/v045/i07 http://dx.doi.org/10.18637/jss.v045.i07). [14] Z. Zhang. "Multiple imputation for time series data with Amelia package". In: _Annals of translational medicine_ 4.3 (2016), pp. 56-56. ISSN: 2305-5839 2305-5847. DOI: [10.3978/j.issn.2305-5839.2015.12.60](https://doi.org/10.3978%2Fj.issn.2305-5839.2015.12.60). URL: [https://pubmed.ncbi.nlm.nih.gov/26904578 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4740012/](https://pubmed.ncbi.nlm.nih.gov/26904578 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC4740012/). [15] J. Zubizarreta, C. Kilcioglu, and J. Vielma. "designmatch: Matched samples that are balanced and representative by design". In: _R package version 0.3_ 1 (2018). [16] M. Bennett, J. P. Vielma, and J. R. Zubizarreta. "Building Representative Matched Samples With Multi-Valued Treatments in Large Observational Studies". In: _Journal of Computational and Graphical Statistics_ 29.4 (2020), pp. 744-757. ISSN: 1061-8600. DOI: [10.1080/10618600.2020.1753532](https://doi.org/10.1080%2F10618600.2020.1753532). URL: [https://doi.org/10.1080/10618600.2020.1753532](https://doi.org/10.1080/10618600.2020.1753532). --- ## Referencias (3) [17] G. Visconti and J. R. Zubizarreta. "Handling limited overlap in observational studies with cardinality matching". In: _Observational Studies_ 4 (2018), pp. 217-249. [18] C. Williams, J. D. Lewsey, A. H. Briggs, et al. "Cost-effectiveness Analysis in R Using a Multi-state Modeling Survival Analysis Framework: A Tutorial". In: _Medical Decision Making_ 37.4 (2016), pp. 340-352. ISSN: 0272-989X. DOI: [10.1177/0272989X16651869](https://doi.org/10.1177%2F0272989X16651869). URL: [https://doi.org/10.1177/0272989X16651869](https://doi.org/10.1177/0272989X16651869). [19] A. Bullement, H. L. Cranmer, and G. E. Shields. "A Review of Recent Decision-Analytic Models Used to Evaluate the Economic Value of Cancer Treatments". In: _Applied Health Economics and Health Policy_ 17.6 (2019), pp. 771-780. ISSN: 1179-1896. DOI: [10.1007/s40258-019-00513-3](https://doi.org/10.1007%2Fs40258-019-00513-3). URL: [https://doi.org/10.1007/s40258-019-00513-3](https://doi.org/10.1007/s40258-019-00513-3). [20] A. C. Titman and H. Putter. "General tests of the Markov property in multi-state models". In: _Biostatistics_ (2020). ISSN: 1465-4644. DOI: [10.1093/biostatistics/kxaa030](https://doi.org/10.1093%2Fbiostatistics%2Fkxaa030). URL: [https://doi.org/10.1093/biostatistics/kxaa030](https://doi.org/10.1093/biostatistics/kxaa030). [21] M. J. Crowther. "merlin—A unified modeling framework for data analysis and methods development in Stata". In: _The Stata Journal_ 20.4 (2020), pp. 763-784. ISSN: 1536-867X. DOI: [10.1177/1536867X20976311](https://doi.org/10.1177%2F1536867X20976311). URL: [https://doi.org/10.1177/1536867X20976311](https://doi.org/10.1177/1536867X20976311). [22] M. J. Crowther and P. C. Lambert. "Parametric multistate survival models: Flexible modelling allowing transition-specific distributions with application to estimating clinically useful measures of effect differences". In: _Statistics in Medicine_ 36.29 (2017), pp. 4719-4742. ISSN: 0277-6715. DOI: [https://doi.org/10.1002/sim.7448](https://doi.org/https%3A%2F%2Fdoi.org%2F10.1002%2Fsim.7448). URL: [https://doi.org/10.1002/sim.7448](https://doi.org/10.1002/sim.7448). [23] T. Scheike T. Martinussen. _Dynamic Regression Models for Survival Data_. Statistics for Biology and Health. New York: Springer-Verlag New York, 2006. ISBN: 978-0-387-33960-3. DOI: [10.1007/0-387-33960-4](https://doi.org/10.1007%2F0-387-33960-4). [24] T. H. Scheike and M. J. Zhang. "Analyzing Competing Risk Data Using the R timereg Package". In: _J Stat Softw_ 38.2 (2011). ISSN: 1548-7660 (Print) 1548-7660. [25] D. Dunkler, M. Ploner, M. Schemper, et al. "Weighted Cox Regression Using the R Package coxphw". In: _Journal of Statistical Software_ 84.2 (2018), p. 1–26. DOI: [10.18637/jss.v084.i02](https://doi.org/10.18637%2Fjss.v084.i02). URL: [https://www.jstatsoft.org/index.php/jss/article/view/v084i02](https://www.jstatsoft.org/index.php/jss/article/view/v084i02).